這支影片在講：別把舊模型的限制寫死在 agent harness 裡
Anthropic Applied AI 團隊從 context anxiety 的一次誤判出發：模型能力變了，當年的 workaround 反而成了延遲與快取浪費。長任務 agent 必須讓假設可替換，並把推理、執行與狀態拆成可各自恢復的元件。
補丁會過期
Sonnet 4.5 會在 context 快滿前提早收尾，團隊因此加入 context reset；Opus 4.5 不再有此行為後，reset 只剩額外延遲與 cache 損失。
長任務的故障是常態
容器建置慢、sandbox 會死、模型會丟失舊 context。若 brain、hands、session 綁在一起，任一部分失敗都讓整個工作重來。
把狀態做成可恢復資產
分離 agent loop、工具環境與 durable session log；讓推理可與 setup 平行、執行可重試、context 可取回，也讓離線學習成為可能。
影片中的四個設計訊號
長任務 agent 的三個架構取捨
把 workaround 視為可到期的假設
harness 會把「模型做不到什麼」編碼進流程。context reset 的故事提醒團隊：每個補償機制都應有可觀測成本、觸發條件與重新評估點，而不是永久規則。
拆開 brain、hands 與 session
agent loop 不該等待工具環境就緒才開始；環境不該因模型中斷而被一併丟棄；session 則需獨立保存足以接續工作的 log。這讓故障變成局部重試，而非全盤失敗。
把 session log 當成產品介面
同一份 durable log 同時提供 trace、context recovery 與後續記憶整理。它不是單純稽核資料，而是讓長任務跨中斷、跨模型 context window 與跨日學習的共同基底。
影片如何從框架走到 SRE demo
介紹 Applied AI 的工作、Messages API 與 Agent SDK；以 context anxiety 說明 harness 為何必須為未來模型能力設計。
解釋 agent、environment、session 的分工、四種 session 狀態，以及丟失 context 後如何從 session log 讀回片段。
以受網路限制的環境啟動診斷任務，展示 trace 如何協助定位根因；重點延伸到 credentials、延遲歸因、memory 與 self-hosted sandbox。
把歷史 session 批次整理成更可用的記憶，並用結果與 grader agent 形成改進閉環；最後回到 harness 是否成為真正瓶頸。